Objectif : Implémenter le pattern ReAct (Reason + Act) — le plus utilisé en production.
Théorie (15 min) :
- ReAct = Thought → Action → Observation → Thought → ... → Answer
- L'agent réfléchit à voix haute avant d'agir (chain-of-thought interne)
- Plus fiable que les agents "blind" car l'agent verbalise son raisonnement
Pratique (45 min) :
from langgraph.prebuilt import create_react_agent
tools = [rechercher_client, envoyer_email, creer_tache_notion]
agent = create_react_agent(
model=llm,
tools=tools,
state_modifier="Tu es l'assistant opérationnel de Digital Spirit. Utilise les outils disponibles pour aider l'équipe."
)
# Test multi-step
result = agent.invoke({
"messages": [("user", "Trouve le client Dupont, envoie-lui un email de rappel de facture et crée une tâche Notion de suivi.")]
})
- Créer un ReAct agent avec 4 tools : recherche, email, Notion, Slack
- Tester une requête qui nécessite 3 actions séquentielles
- Observer le raisonnement de l'agent étape par étape (verbose=True)
Checkpoint : Tu as un agent ReAct multi-tools opérationnel.